概要

本文分析的代碼是基于立創·廬山派K230CanMV開發板的目標追蹤系統實現，主要功能是通過GC2093傳感器采集圖像，識別特定"黑框白心"目標（如帶黑色邊框的白色標記物），計算目標位置偏差并通過UART串口發送數據，同時在顯示器（虛擬窗口、LCD或HDMI）上實時展示追蹤過程及調試信息。

整體架構流程

代碼整體遵循"初始化-循環處理-資源釋放"的經典嵌入式系統流程，具體步驟如下：

1. 系統初始化

   • 硬件配置：初始化FPIOA引腳映射，配置UART2（波特率115200）用于數據傳輸。
   • 傳感器初始化：啟動GC2093傳感器，設置分辨率（400x240）和灰度模式，開始采集圖像。
   • 顯示器初始化：根據DISPLAY_MODE（VIRT/LCD/HDMI）初始化對應顯示設備，設置顯示分辨率。
   • 媒體管理：初始化MediaManager協調傳感器與顯示器資源。

2. 主循環處理

   • 圖像采集：通過sensor.snapshot()獲取實時圖像。
   • 目標識別：調用find_target_blob()在當前ROI內搜索"黑框白心"目標，結合多閾值和形態篩選規則驗證目標。
   • 動態ROI調整：若鎖定目標，縮小ROI至目標周圍（提高效率）；若目標丟失，逐步擴大ROI至全視野（重新搜索）。
   • 數據處理：計算目標與畫面中心的偏差，通過smooth_target()平滑坐標，減少抖動。
   • 狀態管理：通過is_locked標記目標狀態，lost_frames計數連續丟失幀數，超過閾值則重置狀態。
   • 數據發送與顯示：通過UART發送目標狀態及坐標，在圖像上繪制輔助線、ROI和調試信息，最終通過顯示器展示。

3. 資源釋放

   • 異常處理：捕獲鍵盤中斷或其他異常時，停止傳感器、關閉顯示器、釋放媒體資源，確保系統安全退出。

技術名詞解釋

1. HSV閾值（thr_white/thr_black）
   用于顏色（灰度）識別的范圍參數。代碼中通過灰度值范圍定義"白色"和"黑色"區域，多閾值配置（列表形式）可適應不同光照下的顏色偏差（如強光/弱光下白色的灰度值范圍變化）。

2. ROI（Region of Interest，感興趣區域）
   圖像中需要重點處理的區域。通過限制處理范圍減少計算量：目標鎖定時縮小ROI（圍繞目標），目標丟失時擴大ROI（逐步恢復全視野）。

3. Blob分析
   對圖像中連通的像素區域（色塊）進行分析的技術。代碼中通過find_blobs()識別黑色邊框和白色中心的色塊，結合面積、長寬比等特征篩選有效目標。

4. 實心度（Solidity）
   色塊實際像素數與外接矩形面積的比值，用于判斷色塊的"填充程度"。代碼中利用實心度篩選空心黑色邊框（實心度低），排除實心噪聲區域。

5. UART（通用異步收發傳輸器）
   一種串行通信協議，代碼中用于將目標狀態、坐標等數據發送到外部設備（如控制器），波特率115200確保數據傳輸穩定。

6. 幀率（FPS）
   每秒處理的圖像幀數，反映系統實時性。代碼中通過time.ticks_ms()計算幀率，用于評估系統性能。

技術細節

1. 多閾值適配與目標識別邏輯

代碼通過多閾值解決光照適應性問題，核心在于"黑框優先+白心驗證"的雙層識別策略：

# 多閾值配置（適應不同光照下的黑白識別）
thr_white = [(200, 255)]  # 白色中心的灰度范圍（可擴展多組）
thr_black = [(0, 60)]     # 黑色邊框的灰度范圍（可擴展多組）def find_target_blob(img, roi):# 1. 先找黑色邊框（多閾值遍歷+合并相鄰色塊）black_blobs = []for t in thr_black:blobs = img.find_blobs([t], roi=roi, merge=True)  # merge=True合并相鄰色塊if blobs:black_blobs.extend(blobs)# 2. 對每個黑色邊框驗證是否包含白色中心for b_blob in black_blobs:# 篩選黑色邊框（面積、長寬比、實心度）if not (MIN_RECT_AREA < b_blob.area() < MAX_RECT_AREA and0.5 < b_blob.w()/b_blob.h() < 2.0 and0.1 < b_blob.solidity() < 0.35):continue# 在黑色邊框內部10%邊距內搜索白色中心inner_roi = b_blob.rect()inner_margin = int(min(inner_roi[2], inner_roi[3]) * 0.1)inner_roi = (inner_roi[0] + inner_margin,inner_roi[1] + inner_margin,inner_roi[2] - 2*inner_margin,inner_roi[3] - 2*inner_margin)# 驗證白色中心white_blobs = []for t in thr_white:w_blobs = img.find_blobs([t], roi=inner_roi)if w_blobs:white_blobs.extend(w_blobs)if white_blobs:w_blob = max(white_blobs, key=lambda b: b.area())  # 取最大白色塊# 檢查白心是否在黑框中心區域dx = abs(w_blob.cx() - b_blob.cx())dy = abs(w_blob.cy() - b_blob.cy())if dx < b_blob.w()*0.15 and dy < b_blob.h()*0.15:return (b_blob, w_blob)  # 返回匹配的黑框白心return (None, None)

代碼解析：

• 多閾值遍歷：通過thr_black和thr_white列表支持多組灰度范圍，解決單一閾值在強光/弱光下失效的問題。
• 合并相鄰色塊：merge=True確保斷裂的黑色邊框被識別為完整區域（如邊框有缺口時仍能正常識別）。
• 內邊距ROI：在黑色邊框內部10%區域搜索白色中心，避免背景干擾，確保"心在框內"的特征匹配。

2. 動態ROI與狀態管理機制

通過ROI自適應調整平衡搜索效率與范圍，結合狀態標記實現穩定跟蹤：

# 初始化全視野ROI
current_roi = (0, 0, sensor.width(), sensor.height())
is_locked = False
lost_frames = 0
MAX_LOST_FRAMES = 8  # 連續丟失8幀則重置狀態while True:img = sensor.snapshot()b_blob, w_blob = find_target_blob(img, current_roi)if b_blob and w_blob:# 目標鎖定：縮小ROI至目標周圍is_locked = Truelost_frames = 0# 計算鎖定狀態下的ROI（目標周圍90%范圍）lock_roi = (max(0, b_blob.x() - int(b_blob.w()*0.05)),max(0, b_blob.y() - int(b_blob.h()*0.05)),min(sensor.width(), b_blob.w()*1.1),min(sensor.height(), b_blob.h()*1.1))current_roi = lock_roielse:# 目標丟失：逐步擴大ROIlost_frames += 1if lost_frames > MAX_LOST_FRAMES:is_locked = False# 每次擴大100像素（限制在全視野內）new_x = max(0, current_roi[0] - 50)new_y = max(0, current_roi[1] - 50)new_w = min(sensor.width(), current_roi[2] + 100)new_h = min(sensor.height(), current_roi[3] + 100)current_roi = (new_x, new_y, new_w, new_h)

代碼解析：

• 鎖定狀態優化：目標鎖定時ROI縮小為目標尺寸的1.1倍，減少背景處理量（如400x240圖像中，ROI縮小后計算量可降低60%以上）。
• 丟失恢復策略：目標丟失后，ROI每次向外擴展50像素（橫向/縱向），逐步恢復全視野，避免瞬間擴大導致的計算量激增。
• 狀態容錯機制：MAX_LOST_FRAMES=8允許短時間遮擋（約0.2~0.3秒，按30FPS計算），防止誤判丟失。

3. 數據平滑與偏差計算

通過指數平滑減少抖動，結合視角補償提升跟蹤穩定性：

# 數據平滑與偏差計算
prev_x, prev_y = 0